代码大模型 / AI 编程

Revisiting Quantum Code Generation: Where Should Domain Knowledge Live?

重新审视量子代码生成：领域知识应该在哪里居住？

Oscar Novo, Oscar Bastidas-Jossa, Alberto Calvo, Antonio Peris, Carlos Kuchkovsky

机构 * Quantum Computing Research, QCentroid（量子计算研究，QCentroid） 纠错

专题命中 代码生成 ：code generation(title,abstract)；分类 cs.LG

AI总结 研究比较了Qiskit代码生成中不同专精策略，发现通用LLM在零样本和检索增强设置下表现更优，结合执行反馈代理可提升性能，表明无需领域微调即可实现更灵活的量子软件开发。

Comments Submitted to Quantum Machine Intelligence

HCAG: Hierarchical Abstraction and Retrieval-Augmented Generation on Theoretical Repositories with LLMs

HCAG：基于LLM的理论仓库中层次抽象与检索增强生成

Yusen Wu, Xiaotie Deng

专题命中 代码生成 ：code generation(abstract)；repository(abstract)；分类 cs.SE、cs.AI

AI总结 HCAG通过层次化抽象与检索增强生成方法，解决复杂理论代码库中高层架构模式和跨文件依赖的捕捉问题，提升代码质量和架构一致性。

Putting on the Thinking Hats: A Survey on Chain of Thought Fine-tuning from the Perspective of Human Reasoning Mechanism

戴上思考帽子：从人类推理机制视角对链式思考微调的综述

Xiaoshu Chen, Sihang Zhou, Ke Liang, Duanyang Yuan, Haoyuan Chen, Xiaoyu Sun, Lingyuan Meng, Xinwang Liu

机构 * College of Computer Science and Technology, National University of Defense Technology（计算机科学与技术学院，国防科技大学） ； College of Intelligence Science and Technology, National University of Defense Technology（智能科学与技术学院，国防科技大学） 纠错

专题命中 代码生成 ：code generation(abstract)；repository(abstract)；分类 cs.CL

AI总结 本文从人类推理机制角度综述了链式思考微调，分析其通过六顶思考帽子框架分类方法，并探讨未来研究方向及现有数据集与模型表现。

Automated Formalization via Conceptual Retrieval-Augmented LLMs

通过概念检索增强的LLM实现自动化形式化

Wangyue Lu, Lun Du, Sirui Li, Ke Weng, Haozhe Sun, Hengyu Liu, Minghe Yu, Tiancheng Zhang, Ge Yu

机构 * School of Computer Science and Engineering, Northeastern University, Shenyang 110819, China（东北大学计算机科学与工程学院，沈阳 110819，中国） ； Ant Research, Ant Group, Beijing, China（蚂蚁集团北京蚂蚁研究院，中国） ； Department of Computer Science, Aalborg University, Denmark（丹麦奥尔堡大学计算机科学系） ； Software College, Northeastern University, Shenyang 110819, China（东北大学软件学院，沈阳 110819，中国） 纠错

专题命中 代码生成 ：code generation(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出CRAMF框架，通过检索数学概念定义提升LLM形式化能力，解决模型幻觉和语义鸿沟问题，在三个基准测试中实现显著提升。

Chimera: Latency- and Performance-Aware Multi-agent Serving for Heterogeneous LLMs

Chimera：面向异构大语言模型的延迟与性能感知多智能体服务

Kangqi Ni, Wenyue Hua, Xiaoxiang Shi, Jiang Guo, Shiyu Chang, Tianlong Chen

机构 * University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校） ； Microsoft（微软） ； Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） 纠错

专题命中 代码生成 ：code generation(abstract)；分类 cs.LG

AI总结 Chimera通过语义路由和预测调度优化多智能体工作流服务，提升端到端延迟与任务性能，减少1.2-2.4倍延迟并提高8.0-9.5个百分点性能。

Can we automatize scientific discovery in the cognitive sciences?

在认知科学中，我们能否自动化科学发现？

Akshay K. Jagadish, Milena Rmus, Kristin Witte, Marvin Mathony, Marcel Binz, Eric Schulz

机构 * Princeton AI Lab（普林斯顿人工智能实验室） ； Princeton University（普林斯顿大学） ； Institute for Human-Centered AI（以人为中心的人工智能研究所） ； Helmholtz Munich（海德堡-慕尼黑研究所） ； Ludwig-Maximilians-University（路德维希-马克西米利安大学） 纠错

专题命中 代码生成 ：program synthesis(abstract)；分类 cs.AI

AI总结 本文提出利用大语言模型实现认知科学的自动化发现流程，通过模拟行为数据和算法假设搜索，提高理论发展效率。

ACE-RTL: When Agentic Context Evolution Meets RTL-Specialized LLMs

ACE-RTL：当代理上下文进化与专为RTL设计的LLM相遇

Chenhui Deng, Zhongzhi Yu, Guan-Ting Liu, Nathaniel Pinckney, Brucek Khailany, Haoxing Ren

专题命中 代码生成 ：code generation(abstract)；分类 cs.LG

AI总结 ACE-RTL结合代理上下文进化与专为RTL设计的LLM，通过生成器、反射器和协调器三部分提升RTL代码的正确性，实现41.02%的通过率提升。

LLM-Driven Heuristic Synthesis for Industrial Process Control: Lessons from Hot Steel Rolling

基于大语言模型的启发式合成在工业过程控制中的应用：来自热轧的启示

Nima H. Siboni, Seyedreza Kiamousavi, Emad Scharifi

机构 * Institute of Metal Forming, RWTH Aachen（RWTH亚琛大学金属成形研究所） 纠错

专题命中 代码生成 ：code generation(abstract)；分类 cs.AI

AI总结 本文提出了一种基于大语言模型的启发式合成框架，用于热轧过程控制，通过可解释的Python控制器生成和自动审计流程，结合结构化战略构思和可执行代码生成，实现对轧制高度、间歇时间和轧制速度的控制。

Can LLMs Perform Synthesis?

LLMs能否进行合成？

Derek Egolf, Yuhao Zhou, Stavros Tripakis

专题命中 代码生成 ：program synthesis(abstract)；分类 cs.PL

AI总结 本文比较了LLMs与符号工具在程序合成任务中的表现，发现符号工具在多个领域均优于Qwen和GPT-5，且执行时间更短。

DS2SC-Agent: A Multi-Agent Automated Pipeline for Rapid Chiplet Model Generation

DS2SC-Agent: 一种多智能体自动化流水线用于快速芯片片建模

Yiwei Wu, Yifan Wu, Yunhao Xiong, Dengwei Zhao, Jiaxuan Shen, Jianfei Jiang, Guanghui He, Shikui Tu, Yanan Sun

专题命中 代码生成 ：code generation(abstract)

AI总结 本文提出DS2SC-Agent，一种多智能体自动化流水线，用于从原始数据表直接生成SystemC芯片片模型，解决传统手动建模耗时且易出错的问题，通过高效协作框架实现自动化流程。

Comments 9 pages,5figures